基于路徑分析和關(guān)系描述的知識圖譜補(bǔ)全方法

佟 強(qiáng)， 劉旭紅， 陳雨婷， 陳玉立,2

(1.北京信息科技大學(xué)數(shù)據(jù)與科學(xué)情報(bào)分析實(shí)驗(yàn)室， 北京 100101； 2.北京信息科技大學(xué)網(wǎng)絡(luò)文化與數(shù)字傳播北京市 重點(diǎn)實(shí)驗(yàn)室， 北京 100101； 3.北京信息科技大學(xué)北大方正集團(tuán)有限公司數(shù)字出版技術(shù)國家重點(diǎn)實(shí)驗(yàn)室, 北京 100101)

為了能夠使人工智能更好地分析現(xiàn)有知識，以圖結(jié)構(gòu)化表示知識的知識圖譜開始被研究者用來解決相關(guān)問題。知識圖譜采用圖結(jié)構(gòu)化表示知識的形式，描述知識資源和載體，通過數(shù)據(jù)挖掘、信息處理等手段，挖掘、分析以及繪制知識以及知識間的關(guān)系，以更具認(rèn)知性的形式表達(dá)復(fù)雜的知識領(lǐng)域，揭示知識領(lǐng)域規(guī)律的同時(shí)也為學(xué)科研究提供幫助。近些年，知識圖譜技術(shù)已快速普及并廣泛應(yīng)用于搜索、問答等實(shí)際場景[1]。而伴隨著互聯(lián)網(wǎng)上的信息爆發(fā)式涌現(xiàn)，知識圖譜中的實(shí)體及實(shí)體關(guān)系不斷擴(kuò)增，知識圖譜逐漸顯露出結(jié)構(gòu)稀疏、連通性不足等問題，使得許多具有豐富價(jià)值的隱含知識無法被發(fā)現(xiàn)。知識圖譜補(bǔ)全(knowledge graph completion)是相關(guān)學(xué)者為解決上述問題提出的重要研究課題。

知識圖譜補(bǔ)全是利用現(xiàn)有知識圖譜的知識結(jié)構(gòu)和語義信息，借助知識表示與知識推理技術(shù)，發(fā)掘知識圖譜中隱藏的事實(shí)關(guān)系，豐富、擴(kuò)展已有知識圖譜的一個(gè)過程[2-3]。知識圖譜補(bǔ)全也視為知識圖譜的鏈接預(yù)測問題，即對知識圖譜三元組不同位置上的缺失對象進(jìn)行預(yù)測，以獲取更多有效的知識圖譜三元組[4-5]。

基于路徑搜索策略的知識圖譜補(bǔ)全方法使用了路徑搜索技術(shù)。Das等[6]提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的學(xué)習(xí)和推理路徑算法，通過提取知識圖譜中由實(shí)體和關(guān)系構(gòu)成的有向路徑的特征，自動挖掘?qū)嶓w間的關(guān)聯(lián)規(guī)則，提高了知識推理性能。由于大規(guī)模知識圖譜實(shí)體間的關(guān)系路徑較導(dǎo)致知識稀疏問題，所以使用該方法進(jìn)行知識推理和預(yù)測存在一定局限性。除此之外，還可以從邏輯規(guī)則、統(tǒng)計(jì)特征、本體約束等方面實(shí)現(xiàn)知識圖譜的補(bǔ)全[7]。

在目前主流的知識表示學(xué)習(xí)方法中，最初是Bordes等[8]利用詞向量的平移不變現(xiàn)象提出TransE模型，在低維向量空間中嵌入實(shí)體與關(guān)系，學(xué)習(xí)實(shí)體和關(guān)系的語義信息，具有更好的推理能力。在此模型的基礎(chǔ)上，結(jié)合復(fù)雜關(guān)系問題，Wang等[9]提出了實(shí)體在不同關(guān)系中具有不同表示的TransH模型，將頭尾實(shí)體向量投影到特定關(guān)系的超平面中，一定程度上解決了TransE處理復(fù)雜映射關(guān)系(1∶N、N∶1)的局限性，但該方法僅通過關(guān)系向量與實(shí)體向量的法向量近似正交選定超平面，導(dǎo)致每個(gè)關(guān)系會有多個(gè)超平面。為此，Lin等[10]提出了TransR模型，該模型認(rèn)為不同關(guān)系關(guān)注實(shí)體所具有的不同屬性，不同的關(guān)系具有不同的語義空間，有效區(qū)別相似實(shí)體，但定義投影矩陣僅與關(guān)系有關(guān)的合理性欠佳并且空間投影使得模型計(jì)算復(fù)雜度大大提高。TransD模型進(jìn)一步提出構(gòu)建與頭、尾實(shí)體和關(guān)系分別相關(guān)的兩個(gè)動態(tài)變化的投影矩陣，以更好地解決同一關(guān)系具有不同語義的問題[11]；并將矩陣運(yùn)算轉(zhuǎn)化為向量間的計(jì)算，減少了模型參數(shù)，更適用于大規(guī)模知識圖譜。目前，Trans系列模型在知識圖譜補(bǔ)全研究應(yīng)用上已成為學(xué)術(shù)界的熱點(diǎn)。TransA、KG2E等也從不同維度提出了翻譯模型的優(yōu)化方法[12-13]。

基于上述問題，在總結(jié)現(xiàn)有知識圖譜補(bǔ)全研究成果的基礎(chǔ)上，結(jié)合傳統(tǒng)的基于路徑的知識推理規(guī)則和基于TransD模型的知識向量表示學(xué)習(xí)，提出一種基于圖結(jié)構(gòu)和關(guān)系描述的知識圖譜補(bǔ)全方法，在知識表示學(xué)習(xí)中集成了實(shí)體和關(guān)系的類型以及語義特征，以此提升知識推理效果。首先結(jié)合實(shí)體關(guān)系抽取有關(guān)方法，構(gòu)建領(lǐng)域知識圖譜，將多源異構(gòu)數(shù)據(jù)之間的關(guān)系通過可視化技術(shù)進(jìn)行顯示；再進(jìn)一步基于圖結(jié)構(gòu)和關(guān)系描述提出知識圖譜補(bǔ)全方法，結(jié)合領(lǐng)域知識圖譜結(jié)構(gòu)、類型和語義信息，為情報(bào)獲取提供更完善的數(shù)據(jù)支持。

泛娛樂領(lǐng)域數(shù)據(jù)具有多源、異構(gòu)、碎片化等特征，知識圖譜的稀疏性尤為突出，各節(jié)點(diǎn)間的連通性不足。為了驗(yàn)證本文所提方法的有效性，以泛娛樂領(lǐng)域知識情報(bào)為例，通過實(shí)驗(yàn)驗(yàn)證與分析所提方法。采用富含泛娛樂領(lǐng)域情報(bào)的新聞資訊作為數(shù)據(jù)源，引入商業(yè)分析模型構(gòu)建商業(yè)分析標(biāo)簽，通過與資訊內(nèi)容進(jìn)行匹配，實(shí)現(xiàn)資訊分類；并提出“情報(bào)要素”概念，旨在基于實(shí)體及關(guān)系類型，更為有效地挖掘出泛娛樂情報(bào)領(lǐng)域?qū)嶓w、屬性及實(shí)體間關(guān)系，以輔助后續(xù)的情報(bào)獲取與分析任務(wù)。

1 知識圖譜構(gòu)建

情報(bào)是解決特定問題所需要的知識，而知識圖譜可利用可視化技術(shù)梳理知識。知識圖譜構(gòu)建技術(shù)對情報(bào)獲取的意義重大，其中圖譜構(gòu)建環(huán)節(jié)實(shí)現(xiàn)了對現(xiàn)有知識的關(guān)系的充分掃描和可視化呈現(xiàn)，以便于人們更好地理解知識，乃至獲取其中蘊(yùn)含的更有價(jià)值的情報(bào)。

以泛娛樂領(lǐng)域知識為例，根據(jù)圖1所示的泛娛樂情報(bào)領(lǐng)域?qū)嶓w、關(guān)系及屬性實(shí)例關(guān)系，采用文獻(xiàn)[14]中提出的基于因子圖模型的遠(yuǎn)程監(jiān)督實(shí)體關(guān)系抽取方法，結(jié)合泛娛樂情報(bào)領(lǐng)域數(shù)據(jù)特點(diǎn)，對泛娛樂領(lǐng)域公開資訊進(jìn)行了信息抽取，并在此基礎(chǔ)上進(jìn)行知識融合、知識處理，采用Neo4j圖數(shù)據(jù)庫初步構(gòu)建了泛娛樂情報(bào)領(lǐng)域知識圖譜(pan-entertainment knowledge graph, PanEKG)，并在后續(xù)以該知識圖譜為基礎(chǔ)，研究知識補(bǔ)全方法。通過以下兩個(gè)步驟完成對該知識圖譜的構(gòu)建。

(1)構(gòu)建實(shí)體及屬性要素實(shí)例。按照實(shí)體要素類型構(gòu)建8類實(shí)體節(jié)點(diǎn)(資訊、商分標(biāo)簽、一級行業(yè)名稱、二級行業(yè)名稱、企業(yè)、產(chǎn)品、事件和人物)，各個(gè)實(shí)體節(jié)點(diǎn)具有各自的屬性描述。

(2)構(gòu)建關(guān)系要素實(shí)例。基于實(shí)體要素節(jié)點(diǎn)，按照7類關(guān)系要素，分別構(gòu)建實(shí)體關(guān)系邊，將實(shí)體要素關(guān)聯(lián)起來，其中關(guān)系要素具體描述如表1所示。

圖1 泛娛樂情報(bào)領(lǐng)域?qū)嶓w、關(guān)系及屬性實(shí)例關(guān)系Fig.1 Entity, relationship and attribute instance relationship in the field of pan-entertainment information

表1 關(guān)系要素描述Table 1 Description of relationship elements

2 基于路徑分析和關(guān)系描述的知識圖 譜補(bǔ)全方法

在構(gòu)建好的泛娛樂情報(bào)領(lǐng)域知識圖譜PanEKG中包含了大量情報(bào)要素。將圖結(jié)構(gòu)和關(guān)系描述相融合，提出一種新的知識圖譜補(bǔ)全方法，來更好地從快速擴(kuò)增的實(shí)體及實(shí)體關(guān)系中發(fā)現(xiàn)更多具有價(jià)值的隱含知識。首先，根據(jù)知識圖譜結(jié)構(gòu)，設(shè)定推理路徑規(guī)則，通過路徑搜索獲得關(guān)鍵路徑子圖，提高后續(xù)知識表示學(xué)習(xí)效率；然后，為進(jìn)一步提高知識表示學(xué)習(xí)的質(zhì)量，基于TransD模型的知識向量表示學(xué)習(xí)，在知識的語義向量表示學(xué)習(xí)中增加“關(guān)系描述”的概念，進(jìn)而實(shí)現(xiàn)知識圖譜補(bǔ)全。

2.1 基于PanEKG結(jié)構(gòu)的推理路徑分析

采用有界深度優(yōu)先搜索策略獲取關(guān)鍵路徑子圖Gr，對PanEKG中的關(guān)鍵關(guān)系路徑進(jìn)行子圖的表示學(xué)習(xí)，并結(jié)合泛娛樂領(lǐng)域情報(bào)需求，設(shè)定推理路徑規(guī)則，以確定有界深度d的取值。

首先結(jié)合泛娛樂領(lǐng)域的情報(bào)需求，對推理路徑進(jìn)行分析。泛娛樂領(lǐng)域情報(bào)圍繞行業(yè)趨勢洞察、企業(yè)戰(zhàn)略把控和新興產(chǎn)品孵化展開。在PanEKG中存在的實(shí)體要素“資訊”“商分標(biāo)簽”“行業(yè)”“企業(yè)”“產(chǎn)品”“人物(高管)”“事件”其間具有豐富的語義關(guān)聯(lián)。通過信息抽取方法獲取大量泛娛樂情報(bào)領(lǐng)域?qū)嶓w及實(shí)體關(guān)系構(gòu)成的知識，但仍存在遺漏或隱含。圖2展示了以企業(yè)A為核心實(shí)體的完善關(guān)系路徑。其中綠色有向箭頭表示“隱含關(guān)系”，即知識圖譜中尚未定義的關(guān)系類型，是現(xiàn)有實(shí)體間隱含的關(guān)系路徑；紅色有向箭頭表示“遺漏關(guān)系”，即已定義的關(guān)系類型，是現(xiàn)有實(shí)體間缺失的關(guān)系路徑。

圖2 建立泛娛樂情報(bào)領(lǐng)域主體完備關(guān)系路徑示意圖Fig.2 Schematic diagram of the complete relationship path of the subject in the pan-entertainment intelligence field

結(jié)合實(shí)際場景來看，對于“隱含關(guān)系”的補(bǔ)全：如企業(yè)對應(yīng)一個(gè)或多個(gè)產(chǎn)品，而產(chǎn)品又普遍涉足多個(gè)行業(yè)，因此可通過“企業(yè)→產(chǎn)品→行業(yè)”這一關(guān)系鏈，準(zhǔn)確獲取隱含關(guān)系“企業(yè)→行業(yè)”。而對于“遺漏關(guān)系”的補(bǔ)全：如某篇資訊提及產(chǎn)品和企業(yè)事件，即獲取關(guān)系“資訊→產(chǎn)品”和“資訊→事件”，再借助“企業(yè)→產(chǎn)品”這一中介關(guān)系，則可挖掘出遺漏關(guān)系“資訊→企業(yè)”和“企業(yè)→事件”。

為獲取高質(zhì)量的關(guān)鍵路徑子圖GS，首先對泛娛樂情報(bào)領(lǐng)域的實(shí)際情報(bào)需求進(jìn)行研究，并分析PanEKG中實(shí)體關(guān)系的傳遞層級及對應(yīng)的實(shí)體類型；然后基于知識圖譜中的關(guān)系示例，抽象化構(gòu)建關(guān)系推理路徑規(guī)則集Rule，其中包含待推理目標(biāo)Rchain_demo和該目標(biāo)對應(yīng)的由實(shí)體類型type(e)組成的關(guān)系鏈，形如Rchain_demo:e1→r1→…→en；最后采用有界深度優(yōu)先方法實(shí)現(xiàn)圖的搜索，獲得關(guān)鍵路徑子圖GS，其中有界深度由各關(guān)系鏈鏈長len(Rchain)確定。具體算法如算法1所述。

算法1:有界深度優(yōu)先搜索算法輸入::泛娛樂情報(bào)領(lǐng)域知識圖譜PanEKG:節(jié)點(diǎn),G中實(shí)體:頭節(jié)點(diǎn):尾節(jié)點(diǎn)(的關(guān)系指向節(jié)點(diǎn)):關(guān)系推理路徑規(guī)則集:Rule中的一條關(guān)系鏈:實(shí)例關(guān)系鏈輸出::關(guān)鍵路徑子圖集

算法步驟：按照關(guān)系推理路徑規(guī)則集，啟發(fā)式遍歷知識圖譜，獲取各實(shí)例關(guān)系鏈Rchain及最終子圖GS。

foreinG：

//選擇圖中任一節(jié)點(diǎn)作為頭節(jié)點(diǎn)

Sh=S0←e;

//設(shè)定動態(tài)有界深度

IfSt≠null&&type(Sh) inRchain_demo∈ Rule:

fordin len(Rchain_demo):

//選擇Sh指向的節(jié)點(diǎn)作為尾節(jié)點(diǎn)

St←find(Sh,Rchain_demo);

r←(Sh,St);

//存入關(guān)系實(shí)例，迭代獲取實(shí)例關(guān)系鏈

Rchain[d].append(r);

Sh←St;

else：

Sh←(re_select(e)≠S0);

//存入實(shí)例關(guān)系鏈，獲取關(guān)鍵路徑子圖述。

GS.append(Rchain)；

2.2 融合關(guān)系描述的知識表示模型

如第2節(jié)對知識表示學(xué)習(xí)相關(guān)技術(shù)的介紹，TransD模型延續(xù)了“不同關(guān)系擁有各自的語義空間”的思想進(jìn)行建模，為每個(gè)實(shí)體h、t和關(guān)系r分別構(gòu)建一個(gè)表征語義的向量hi,ti,r∈Rd和一個(gè)用于從實(shí)體空間映射到關(guān)系空間的投影向量hip,tip,rp∈Rd，即關(guān)系三元組(hi,r,ti)對應(yīng)頭、尾實(shí)體的動態(tài)投影矩陣：

Mrh=rphip+Im×n,Mrt=rptip+Im×n

(1)

式(1)中：Im×n表示m×n的單位向量。從而，頭、尾實(shí)體從實(shí)體空間映射到關(guān)系空間的表示為

hi⊥=Mrhi×hi,ti⊥=Mrti×ti

(2)

此外，TransD模型同樣構(gòu)造了正、負(fù)例三元組，并定義得分函數(shù)為

(3)

該方法解決了TransR模型投影矩陣僅考慮到實(shí)體間的關(guān)系以及矩陣向量參數(shù)過多的弊端。結(jié)合泛娛樂情報(bào)領(lǐng)域數(shù)據(jù)，考慮到各類關(guān)系的頭、尾實(shí)體類型及屬性具有一定差別。首先提出關(guān)系描述(relation description)這一概念，關(guān)系描述包含關(guān)系的結(jié)構(gòu)信息(即實(shí)體對的指向性、實(shí)體類型)和關(guān)系實(shí)體對的類型和語義信息(即實(shí)體屬性)，以此可計(jì)算各關(guān)系類型中的頭、尾實(shí)體的相似度，用于約束實(shí)體及關(guān)系的向量表示學(xué)習(xí)，使得語義相似度越高的實(shí)體在對應(yīng)關(guān)系的低維嵌入空間中距離更近。

由此，進(jìn)一步提出基于TransD模型對圖結(jié)構(gòu)的表示和Doc2Vec模型對關(guān)系描述的表示，組合構(gòu)建得分函數(shù)，以提高模型的知識推理能力。融合關(guān)系描述的知識表示模型如圖3所示。

例如，“投資”1∶N的有向關(guān)系r，屬于情報(bào)要素中定義的關(guān)系要素“企業(yè)→企業(yè)”類型。有關(guān)系實(shí)例“投資(字節(jié)跳動公司，互動百科公司)”，其關(guān)系描述即為：實(shí)體間關(guān)系指向?yàn)椤癶→t(1∶N)”，頭實(shí)體h和尾實(shí)體t的實(shí)體類型均為“Company”，實(shí)體屬性“簡介”包含的文本信息如圖4所示。

根據(jù)上述關(guān)系描述，本文首先通過h和t的實(shí)體類型判斷是否符合關(guān)系r的限定，然后借助Doc2Vec的分布記憶模型(distributed memory model of paragraph vectors,PV-DM)，提取關(guān)系描述中實(shí)體(對應(yīng)模型中的“paragraph id”)及實(shí)體屬性(對應(yīng)模型中的“paragraph”)的文本特征，用于頭、尾實(shí)體的語義向量表示，分別記為hs、ts(對應(yīng)模型中共享的“paragraph vector”)；距離計(jì)算方法與TransD模型保持一致，即可定義關(guān)系描述表示的三元組(hi,r,ti)得分函數(shù)為

圖3 融入關(guān)系描述的知識表示模型Fig.3 Knowledge Representation Model Incorporated into Relationship Description

圖4 實(shí)體屬性“簡介”包含的文本信息Fig.4 Text information contained in the "Introduction" entity attribute

(4)

由此，定義融合關(guān)系描述的知識表示模型的得分函數(shù)為

F(h,t)=f(h,t)+ωs(h,t)

(5)

式(5)中：ω∈[0,1]是權(quán)重系數(shù)。模型訓(xùn)練的目標(biāo)函數(shù)為

(h,t)+γ]

(6)

最終模型迭代學(xué)習(xí)出最終的知識表示向量，以有效實(shí)現(xiàn)知識圖譜補(bǔ)全任務(wù)。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)設(shè)置

采用研搜大數(shù)據(jù)情報(bào)檢索平臺作為構(gòu)造泛娛樂情報(bào)領(lǐng)域知識圖譜PanEKG的數(shù)據(jù)來源，該平臺旨在為互聯(lián)網(wǎng)企業(yè)提供泛娛樂領(lǐng)域新聞資訊、研究報(bào)告等信息支持，并提供摘要抽取、內(nèi)容分類等服務(wù)。經(jīng)統(tǒng)計(jì)，平臺中經(jīng)過處理的泛娛樂領(lǐng)域公開資訊共計(jì)40 820篇。

在實(shí)驗(yàn)中，將知識表示模型的向量維度設(shè)定為dim=200，得分函數(shù)中的權(quán)重系數(shù)設(shè)定為ω=0.5。采用隨機(jī)梯度下降算法對模型進(jìn)行訓(xùn)練，其中優(yōu)化函數(shù)的邊距margin=4，學(xué)習(xí)速率α=0.5。

3.2 結(jié)果分析

首先對本文方法在推理補(bǔ)全隱含/遺漏關(guān)系路徑任務(wù)上的表現(xiàn)進(jìn)行評價(jià)，并將其與TransE、TransH和TransD方法在該任務(wù)上的表現(xiàn)進(jìn)行對比，實(shí)驗(yàn)結(jié)果如表2所示。在實(shí)驗(yàn)中，采用平均排名Mean Rank和前10位擊準(zhǔn)率Hits@10作為評價(jià)指標(biāo)[15]。對于含有預(yù)測實(shí)體的三元組，Mean Rank表示正確三元組的平均排名，Hits@10表示排名前10位中的正確三元組的占比。因此，Mean Rank越小，Hits@10越高，則模型性能越好。考慮到負(fù)例三元組構(gòu)建的隨機(jī)性，在下面兩個(gè)訓(xùn)練集上面進(jìn)行實(shí)驗(yàn)：當(dāng)驗(yàn)證集或測試集中存在訓(xùn)練集中構(gòu)建的負(fù)例三元組時(shí)，記訓(xùn)練集為“Raw”；當(dāng)去除與驗(yàn)證集或測試集存在沖突的負(fù)例三元組后，記該訓(xùn)練集為“Filter”。

表2 推理補(bǔ)全隱含/遺漏關(guān)系路徑結(jié)果

由表2看出，在推理補(bǔ)全隱含/遺漏關(guān)系路徑任務(wù)中，本文方法在Mean Rank和Hits@10兩項(xiàng)指標(biāo)上相比另外幾種模型均具有一定優(yōu)勢。特別是在Filter訓(xùn)練集上，在兩項(xiàng)指標(biāo)上均有明顯的改善。這表明本文方法能夠更好地通過推理來發(fā)現(xiàn)并補(bǔ)全知識圖譜結(jié)構(gòu)中的隱含與遺漏關(guān)系路徑。

知識圖譜補(bǔ)全任務(wù)最終可轉(zhuǎn)化為對三元組的分類任務(wù)，即可通過測試集中各三元組的得分情況判別是否為正確三元組。三元組分類實(shí)驗(yàn)的評價(jià)標(biāo)準(zhǔn)是通過多次實(shí)驗(yàn)設(shè)定一個(gè)閾值δ，若三元組得分高于δ，則記為正確三元組，否則記為錯(cuò)誤三元組。進(jìn)而采用分類任務(wù)中的常用評價(jià)指標(biāo)準(zhǔn)確率P驗(yàn)證實(shí)驗(yàn)效果。針對三元組分類任務(wù)進(jìn)行了相應(yīng)實(shí)驗(yàn)，其實(shí)驗(yàn)結(jié)果如表3所示。

由表3不難發(fā)現(xiàn)，相比現(xiàn)有的Trans系列方法，本文方法在三元組分類的準(zhǔn)確率上略有提高。可見，融入關(guān)系描述的知識表示方法能夠優(yōu)化知識表示模型的學(xué)習(xí)效果，并且證明了本文方法在一定程度上能夠解決知識圖譜隨著數(shù)據(jù)實(shí)體和實(shí)體關(guān)系的快速擴(kuò)增所產(chǎn)生的數(shù)據(jù)稀疏問題。

表3 三元組分類實(shí)驗(yàn)結(jié)果Table 3 The results of the triple classification experiment

4 結(jié)論

隨著互聯(lián)網(wǎng)信息的爆發(fā)式增長，其中的數(shù)據(jù)實(shí)體和實(shí)體關(guān)系存在著快速擴(kuò)增現(xiàn)象，原有的知識圖譜逐漸凸顯出了圖結(jié)構(gòu)稀疏、結(jié)點(diǎn)連通性不足等問題。提出一種基于路徑分析和關(guān)系描述的知識圖譜補(bǔ)全方法，結(jié)合領(lǐng)域知識圖譜語義信息及其結(jié)構(gòu)和類型，增強(qiáng)了知識圖譜對實(shí)體之間隱藏關(guān)系的發(fā)現(xiàn)能力，能夠很好地發(fā)現(xiàn)具有豐富價(jià)值的隱含知識，使得從圖譜中自動獲取知識情報(bào)更加有效。為了驗(yàn)證本文算法的有效性，根據(jù)泛娛樂領(lǐng)域知識數(shù)據(jù)構(gòu)建了泛娛樂情報(bào)領(lǐng)域知識圖譜，并在該圖譜上應(yīng)用本文方法對其進(jìn)行知識圖譜補(bǔ)全實(shí)驗(yàn)進(jìn)行驗(yàn)證。從實(shí)驗(yàn)結(jié)果可以看出，本文方法與目前流行的Trans系列方法相比，不僅提高了模型訓(xùn)練的效率，還能夠更好地推理補(bǔ)全知識圖譜中的隱含與遺漏路徑，在一定程度上能夠解決知識圖譜隨著數(shù)據(jù)實(shí)體和實(shí)體關(guān)系的快速擴(kuò)增所產(chǎn)生的數(shù)據(jù)稀疏問題，能夠幫助各互聯(lián)網(wǎng)企業(yè)更好地洞察行業(yè)趨勢，實(shí)現(xiàn)更準(zhǔn)確的規(guī)劃。